Filtrar el Hub por tarea, licencia, tamaño y formato de pesos hasta una lista corta de candidatos.
Leer una model card y decidir si el modelo es utilizable en el caso de uso previsto.
Cargar un modelo con la librería transformers y ejecutar una inferencia desde un cuaderno.
Publicar y versionar un dataset propio con la librería datasets y su tarjeta descriptiva.
Construir un Space con Gradio y desplegarlo desde el repositorio del proyecto.
Distinguir licencias permisivas de restricciones de uso comercial antes de integrar un modelo.
Contenido del curso
6 módulos · 24 clases en vídeo · práctica guiada en cada módulo
Módulo 1 · El Hub y el entorno de trabajo4 clases
Qué contiene Hugging Face: modelos, datasets y spaces
Cuenta, tokens de acceso y configuración local
Instalación de transformers y dependencias
Primera inferencia con un pipeline
Módulo 2 · Buscar y evaluar modelos4 clases
Filtros por tarea, idioma, tamaño y licencia
Anatomía de una model card fiable
Señales de alarma: sin evaluación, sin licencia, sin mantenimiento
Lista corta y prueba comparativa sobre datos propios
Módulo 3 · Trabajar con transformers4 clases
Tokenizador, modelo y configuración
Cargar pesos con la precisión adecuada al hardware
Inferencia por lotes y uso de GPU
Caché de modelos y espacio en disco
Módulo 4 · Datasets4 clases
Cargar un dataset del Hub y explorarlo
Preparar y limpiar un conjunto propio
Publicar el dataset y escribir su tarjeta
Versiones y control de cambios
Módulo 5 · Spaces y demostraciones4 clases
Construir una interfaz con Gradio
Desplegar el Space desde el repositorio
Hardware del Space y límites de la capa gratuita
Secretos y variables de entorno
Módulo 6 · Licencias y uso responsable4 clases
Familias de licencias de modelos abiertos
Restricciones de uso comercial y de redistribución
Atribución y trazabilidad de lo que se integra
Caso práctico: modelo evaluado, dataset publicado y Space en marcha
Requisitos
Python a nivel de scripts: entornos virtuales, importación de librerías y manejo de ficheros.
Nociones de aprendizaje automático: qué es inferencia, entrenamiento y conjunto de datos.
Cuenta gratuita en Hugging Face; las prácticas se ejecutan en cuadernos en la nube o en local.
Descripción
El catálogo de modelos abiertos crece más rápido de lo que nadie puede revisar, y la mayoría de las búsquedas terminan en el modelo más descargado sin más criterio. Eso lleva a integrar pesos con licencias incompatibles, tamaños imposibles para el hardware disponible o resultados peores que los de una alternativa más pequeña y menos conocida.
El curso enseña a moverse por el Hub como quien evalúa un componente: filtros, lectura crítica de la model card, verificación de licencia y prueba real sobre datos propios antes de decidir. Después se recorre el ciclo completo, cargando el modelo con transformers, publicando un dataset con su tarjeta y levantando un Space en Gradio que sirva de demostración compartible.
Al final queda un espacio público propio y un procedimiento de evaluación reutilizable para el siguiente modelo. Es la base para los cursos de fine-tuning con Unsloth, donde se parte de un modelo del Hub y se publican los adaptadores resultantes, y complementa el trabajo con ejecución local de modelos.
¿Para quién es este curso?
Perfiles de desarrollo que deben elegir un modelo abierto para integrarlo en un producto propio.
Ingeniería de datos que prepara y publica conjuntos de datos para el resto del equipo.
Personas técnicas que necesitan enseñar una demostración funcionando a cliente o a dirección.
Disponible
Contenido ya grabado y publicado en el campus. Puedes empezar en cuanto te inscribas.
Del prompt bien escrito a los agentes conectados por MCP, pasando por modelos en local, generación de audio, imagen y presentaciones, y el ajuste fino de modelos.
Este sitio web utiliza cookies propias y de terceros para recopilar información con finalidad técnica. No se recaban ni ceden datos de carácter personal sin tu consentimiento. Más información en la política de cookies.